清华大学金融科技研究院孵化
金融科技与金融创新全媒体

扫描分享

本文共字,预计阅读时间

报告出品:剑桥大学替代金融中心(CCAF)、剑桥大学法官商学院和世界经济论坛(WEF)。

报告翻译:人民大学数字经济研究中心,指导教授:程华

1950年,即约翰·麦卡锡(John McCarthy)提出“人工智能”(AI)的五年前,艾伦·图灵(Alan Turing)已经提出了“机器可以思考吗?”的问题,并设计了图灵测试。70年来,世界的计算能力得到了突飞猛进的发展,人工智能在包括金融服务在内的众多行业中的应用也是如此。但是,除了新闻头条和舆论片之外,关于人工智能在金融中运用的现状及其影响的经验证据仍然非常有限。这项全球调查是由剑桥大学替代金融中心(CCAF)、剑桥大学法官商学院和世界经济论坛(WEF)联合进行的,旨在安富尊荣提供一些经验数据并阐明基于AI的金融服务不断发展的格局。

基于对包括金融科技公司和传统金融服务公司在内的151家公司的调查样本,本研究描绘出了一个正经历着以人工智能发展为基础的深度数字化转型的全球金融服务行业。研究表明,随着公司利用人工智能来改进现有产品并对产品和服务进行创新,人工智能在金融领域的应用也越来越广泛。人工智能正在帮助企业转变实践、流程、基础设施和基础业务模式,例如将人工智能作为服务出售。本研究揭示了金融服务公司如何面对AI实施的障碍,包括访问数据、获取人才和监管的不确定性。本研究还研究了在金融中日益广泛应用的人工智能潜在的和已出现的风险、跨行业垂直和短期对劳动力的影响,以及从当前人工智能实施方面的领先者那里获得的战略经验。

显而易见的是,只有去做更多的研究,才能更好地理解最终在金融服务中大量采用AI所带来的机遇和挑战。例如,金融公司如何才能打开人工智能的“黑匣子”,使更具解释性和透明度的应用程序变得容易可行?随着AI变得越来越自治,人类将扮演什么角色,又将如何有效的在环AI系统表现出来?AI引起的偏见和风险有哪些社会经济影响和伦理意义?监管者和政策制定者如何利用技术解决方案来有效地监管金融业的人工智能?虽然研究者自谦,这份报告只是理解人工智能在金融领域的潜力、可能性和界限的漫长旅程的开始,但报告确已具备相当的参考价值。人民大学数字经济研究中心特组织以下四位同学进行精译,供各界进行参考。他们是:薛李静(1-3章)、党鑫(4-6章)、刘淑婷(7-9章)、冯莹莹(第10-12章)。

摘要

这项研究的目的是分析和理解金融服务中AI应用的当前状态及其后续含义。这是通过对基于网络调查表收集的经验数据进行比较分析而完成的。

这项研究提供了有关金融科技和现有公司目前如何将AI应用于金融服务的综合描述:推动不同的商业模式;支持新产品和服务;在数字化转型中发挥战略作用。研究结果还揭示了全球金融服务提供商如何通过其新兴的风险和监管影响来应对AI运用的挑战,以及AI对竞争格局和就业水平的影响。

该研究的总体发现表明,人工智能有望在金融服务行业内改变许多不同的范例。这些预期的变化包括如何利用数据来产生更多可行的见解;商业模式创新(例如,出售人工智能服务);随着“大技术”的进入和整合,改变竞争环境;对工作和法规的各种影响;对风险和偏差的影响;以及改变游戏规则的技术的进一步发展和应用。

随着公司开始利用AI来提高盈利能力并实现规模化,AI在金融服务中的应用速度明显加快。这具有复杂和多方面的含义和影响。

这项实证研究的主要发现如下:

  • 在短期内,预​​计人工智能将成为整个金融服务行业的重要业务驱动力,所有受访者中,有77%的人期望人工智能在两年内可以对其业务具有非常高的整体重要性。尽管目前人们认为人工智能与金融科技之间的战略关联性更高,但现有企业希望能在两年内赶上。
  • 人工智能的重要性不断提高,在关键业务功能中被越来越广泛地采用。大约64%的受访者预计未来两年内将在以下诸类别中使用AI –通过新产品和流程创造新的收入潜力、流程自动化、风险管理、客户服务和客户获取。目前只有16%的受访者在所有这些领域中都使用AI。
  • 风险管理是当前AI实施率最高(56%)的使用领域。其次是通过新的AI支持的产品和流程来产生新的收入潜力,这一比例为52%。但是,公司希望后者在两年内成为最重要的使用领域。
  • 人工智能有望成为特定金融服务部门成功的关键杠杆。例如,它被预计将成为资产管理人投资回报的主要驱动力。放贷者普遍期望通过在支持AI的信用分析中利用AI获利,而支付提供商则希望扩大其AI使用情况,以利用AI进行客户服务和风险管理。
  • 随着AI领导者的争夺,高支出者和低支出者之间的技术差距正在扩大,因为高支出者计划进一步增加其研发投资。这些支出的雄心似乎是由AI投资收益的线性增长所驱动的,一旦AI投资达到约10%的研发支出的“临界”数量,该支出便会生效。
  • 与现有企业相比,金融科技公司似乎在使用AI方面有所不同。大部分金融科技公司倾向于创建基于AI的产品和服务,采用自主决策系统,并依赖基于云的产品。现有企业主要专注于利用AI来改进现有产品。这可能可以解释为什么AI似乎对金融科技的盈利能力具有更高的积极影响,其中30%表示AI导致的盈利能力显著提高,而对现有企业而言则为7%。
  • 金融科技公司越来越广泛地销售支持AI的产品作为服务。成功的实践经历表明,将AI作为服务出售可以通过提供基于更大、更多样化的数据集的改进的AI驱动服务和吸引人才来使大型组织创建“ AI飞轮”(自我执行的良性循环)。工智能领导者通常会为人工智能实施和监督设立专门的公司资源与他们现有的IT部门合作,主要是数据分析功能。平均而言,他们还使用更复杂的技术来实现更复杂的AI运用。
  • 利用替代数据集生成新颖见解是利用AI优势的关键部分,其中60%的受访者利用AI应用程序中的新数据或替代形式的数据。最常用的替代数据源包括社交媒体,来自支付提供商的数据以及地理位置数据。
  • 现有企业预计到2030年AI将取代其组织中所有工作的近9%,而金融科技公司则期望AI将其劳动力增加19%。在接受调查的样本中,这意味着现有企业估计净减少约336,000个工作,在金融科技公司中增加37,700个工作。预计投资管理部门的削减幅度最大,调查参与者预计5年内净减少10%,10年内净减少24%。
  • 无论部门和实体类型如何,数据的质量,对数据的访问以及对人才的访问都被视为实施AI的主要障碍。这些因素中的每一个都被超过80%的受访者视为障碍,而诸如硬件/软件成本,市场不确定性和技术成熟度等方面的障碍似乎较少。
  • 将近40%的受访者认为法规阻碍了AI的实施,而只有超过30%的受访者认为法规促进或启动了AI。组织认为受到管辖区和实体之间的数据共享法规的阻碍最大,但是也有许多组织认为法规的复杂性和不确定性是沉重的负担。在中国,企业对监管影响的评估往往比美国、英国或欧洲大陆更为积极。
  • 大规模的人工智能应用预计会加剧某些市场范围内的风险和偏见,至少五家公司中有一家不相信他们有能力减轻这些风险。企业尤其警惕AI在决策中的偏见,或通过共享资源暴露大量数据和隐私。尽管如此,许多公司在人工智能的实施过程中都涉及到了风险和合规团队,因此这些公司往往对自己的风险缓解能力更有信心。
  • 长期以来,简单的机器学习算法比复杂的解决方案更广泛地被使用。然而,很大一部分受访者计划在两年内实施自然语言处理(NLP)和计算机视觉,这通常涉及深度学习。
  • 几乎一半的参与者认为“大技术”利用AI能力进入金融服务是一个主要的竞争威胁。

第一章:导言

1.1 人工智能与机器学习的并列

人工智能

人工智能(AI)是一个由人类行为的社会行为理论所塑造的术语,基本上是对机器可以模仿人类的认知和行为的期望。对人工智能的期望通常基于人类智力而衍生出来,理解AI可能通过试图了解人类智力本身而接近。虽然人们对智力有各种各样的定义,哥特弗雷德森在他的社论《主流科学之智力观》中指出智力可以定义为:

一种非常普遍的智力能力,除此之外,还包括推理、计划、解决问题、抽象思维、理解复杂思想、快速学习和从经验中学习的能力。它不仅仅是书本学习,狭隘的学术技能,还是应试才能。相反,它反映了一种更广泛和更深的理解我们周围环境的能力——“抓住”、“理解事物”或“弄清楚该做什么”(Gottfred)。

将这些特征外推到一组不同的机器能力,该报告遵循了先前世界经济论坛报告2所定义的AI作为一套技术并展现出一定程度的自主学习和使用能力。

  • 通过识别数据中的规律进行模式检测
  • 在不确定性下推断学习模式的预见性
  • 通过特定配置文件生成规则并应用一般数据来优化结果的定制性
  • 通过一般数据生成规则并应用特定规则以进行决策
  • 通过数字或模拟介质与人类交流的交互性

机器学习

虽然AI和机器学习的基本概念有明显的重叠,但术语“机器学习”更明显地来自现有的神经科学、计算机科学、统计学和数学框架。根据最初由孟德尔和迈凯轮(1970)提出的定义,并由Haykin(1994)精炼,机器学习描述了一个系统由于与环境的交互而产生的变化,如下面的图1.1所示。一个系统与它的环境相互作用,使得系统的结构发生变化,进而改变其与环境的交互作用,从而产生一个迭代过程。

图1.1:机器学习的高级图

在计算机科学中,机器学习是一个被称为“软计算“的更广泛的领域的一部分。这包括可以找到不具有精确(或“硬”)解决方案的问题的近似(或“软”)解决方案的系统。

这样,可以将机器学习算法与遵循一组静态的预定指令的传统计算机程序区分开来。 给定一组输入,基于规则的计算机算法将始终获得相同的解决方案,而多次训练机器学习算法将在很大程度上产生不同的解决方案。

综上所述,比较人工智能和机器学习揭示了“人工智能”一词集中于系统与环境交互的意义和影响,而“机器学习”则集中于交互中涉及的系统的性质以及交互本身的性质。因此,机器学习可以被看作本质上是AI范式的使能子集的技术术语。这也意味着术语不能互换使用。

但是,必须指出的是,企业3目前在其业务中应用的大多数技术都可以用“机器学习”一词来解释。 诸如元学习4,自我反省和人际互动等人类智能的显著特征仍在填补“机器学习”和“ AI”两个术语之间的空白。 但是,本研究中研究的技术套件被归类为“ AI”一词,并以此命名以确保完整性。当研究结果足够具体来区分这些外延时,就会提到机器学习。

1.2  文献评论

根据经合组织(2019)的报告,“人工智能具有广泛的、深远的和全球性的影响,它正在改变社会、经济部门和工作的世界,并且在未来可能会越来越多。”随着对AI潜力的认知,许多公共和私人机构已经研究了AI在金融服务上的应用,从而产生了包括独特视角和方法论的各种研究报告。这些报告可分为人工智能的五个主题维度,(i)采用;(ii)申请;(iii)商业模式创造和转化,(iv)劳动力转化,以及(v)调节。下面的文献综述为CCAF和世界经济论坛主导的金融服务研究提供了背景。

应用

AI应用允许由不同的产品和服务提供,因此有可能扩展组织的客户基础。金融机构正试图通过使用人工智能来建立新产品和数据生态系统来实现异质化(McWasts等,2018)。对于现任机构而言,数字转型仍然是阻碍增长的因素。新技术的兴起增加了用户的期望,吸引了市场竞争对手(DHAR,Holly,赖安和Galeaz,2017)。

为了了解AI应用的障碍,安永和麻省理工学院调查了112位美国商业领袖。研究表明,虽然组织热衷于实施人工智能,但他们面临许多实际挑战,包括领导力、专业知识和数据质量。事实上,近50%的受访者不信任他们组织的人工智能数据的质量(EY,2019)。为了减轻这一点并有效地实现机器学习和AI的规模,组织可能需要对数据能力进行大量投资,以确保组织能够广泛地访问内外部的高质量和相关数据(McWasts等,2018)。

除了数据投资外,组织在AI实践本身也投入了大量资金。在2017的调查中,金融服务业的52%的受访者表示他们正对AI进行“大量投资”。66%的受访者表示,他们预计未来三年将对AI进行“大量投资”,72%的企业决策者认为AI将在未来显著地发展他们的业务(Curran,加勒特和PusiyyAMADAM,2017)。2019年对英国金融机构的调查再次证实了这些发现, 66%的受访者已经在其组织中以某种形式利用AI和机器学习(Jung等,2019)。

为了保持竞争力,现有机构利用数据和分析来预测客户需求并提高盈利能力。他们最终可能会利用AI来开启洞察力并重新分配员工从事更高价值的工作(Dhar,Holly,Ryan和Galeaz,2017年)。 驱动AI影响最大化以及更广泛地拥抱数字化,组织被要求拥有必要的基础设施和人才。 因此,不需要变革其核心业务产品的金融颠覆者与金融科技企业可能在运用AI的竞争中处于优势地位。

内部运营

组织正以各种方式应用人工智能来简化后台办公流程,以增强数字客户体验和改善收入模式。在AI应用程序套件中,迄今为止的研究发现,与其他技术结合使用时,AI的功能最强大,并且许多AI应用程序都结合了自动化和现有流程的增强功能。例如:

  • 世界经济论坛出版物《金融服务的新物理学》肯定了云计算提供了数据存储和处理新AI模型所必需的处理能力,使得云基础设施在实现人工智能解决方案中至关重要(McWaves等人,2018)。
  • 2019年Refinitiv 机器学习调查发现,金融组织越来越依赖于数据和分析来推动商业决策,通过人工智能的应用来挖掘洞察力(ViWiJ,2016)。

除了云技术和大数据之外,应用编程接口(API)、开源算法和物联网(IOT)经常与AI(Duin and BakHSH,2018)一起应用。

展望未来,专家们想象一个企业可以朝着“增强智能”迈进的生态系统。人工智能的应用预计将变得越来越复杂,不仅通过自动化简单的任务,而且还通过帮助人类做出决策并从人类与技术之间的互动中学习。(Dhar,Holly,Ryan和Galeaz,2017年)。

业务模式的创造和转型

在金融服务中使用AI对行业中的竞争地位和主导业务模型具有广泛的影响。这些变化中最引人注目的是AI算法呈现出“飞轮”效应的趋势,这种效应会奖励先行者建立进入壁垒的潜力。这种“ AI飞轮”是AI模型表现出自我增强的规模经济的趋势,其中精确的模型吸引了新用户,并增加了数据的准确性,从而增加了模型的准确性。飞轮效应将重新定义组织如何在金融服务领域建立成功的业务模型,从而增加细化数据流的重要性以及“赢者通吃”动力的可能性(McWaters等人,2018)。

考虑到这些竞争动态,组织正在押注AI支持的新功能和业务模型。通过利用先进的数据科学来优化业务成果并集成大量数据以获取跨业务部门的更好见解,企业正在使用AI做出更明智的决策。组织正在努力以AI为核心来构建新产品,服务和业务模型(McWaters et al。,2018)。

许多新的基于AI的业务模型都着重于重塑客户体验,从而使客户的财务状况得以维持,并在需要时充当可信赖的顾问。 随着金融机构继续将AI应用于客户建议和互动中,它们为``自动驾驶金融''奠定了基础,这将颠覆现有的竞争动力,并最终将收益推向客户体验的所有者(McWaters等,2018) 。

迅速获得新功能的需求可能对现有的金融机构与曾经被视为潜在的竞争对手——金融科技建立合作伙伴关系产生了越来越大的兴趣。 当这些伙伴关系发挥作用时,两个机构都将从中受益。 现有金融服务公司能够利用FinTechs的技术专长,而FinTech能够依靠现有公司的声誉和客户影响力(FinTech Innovation Lab,2018)。 文献表明,对竞争动态的影响将是决定AI整体影响的关键因素。 因此,本研究试图进一步了解这些动态。

劳动力转型

随着AI的发展,金融服务提供商将竞相成为最快采用该技术,获得最有价值的AI人才并创造最大价值的公司(MMC Ventures,2019)。少数工人干部推动的创新改变了金融机构内部的人才需求。随着后台流程的简化,组织可能会变得更精简。

根据Nedelkoska和Quintini(2018)的研究,自动化程度最高的工作是不需要特定技能或培训的工作。在对经合组织国家的研究中,研究人员发现较高的教育水平可以降低工作自动化的风险(Nedelkoska和Quintini,2018年)。越来越多地使用AI,将在很大程度上影响常规的中低复杂性角色。 但是,由于这些角色在金融服务行业中占了相当大的工作岗位,因此可能会导致净工作机会流失。

值得注意的是,其他研究断言人工智能在未来三年内不会对金融机构的员工数量产生重大影响,甚至在技术最先进的公司中员工数量也会增加(Chui和Malhotra,2018年) 。

法规

人工智能也正在改变组织与监管机构的互动方式。随着算法的复杂性和数据量的增加,人工智能在金融中的用途正在扩大,相关风险也在增加(Proudman,2018)。金融稳定委员会(FSB)和英格兰银行以及其他监管机构和监管机构都强调了这一担忧,并指出了与新技术相关的潜在额外挑战和未知挑战(金融稳定委员会,2017)。这些额外和未知的挑战对用户信任也有影响。随着行业的不断转型,监管将成为风险管理、适当监管AI使用并在消费者中建立信任的不可或缺的组成部分。

监管可能会增加成本并最终延迟产品开发,但同时也提供了获得用户信任的途径。特别是对于新进入者,因为他们没有成熟的品牌名称,监管为用户和投资者提供了保证。在先前的研究中,普遍强调了信任在促进金融科技运用方面的重要作用。(Sarkar,Chauhan和Khare,2020年)。

关于是否存在适当的框架来收集,存储,共享和使用数据的争论正在进行中。 但是,政策通常落后于AI的开发和部署(毕马威,2019年)。 当前的监管环境也较为分散,影响AI的监管由州、国家和全球的金融和非金融监管机构发起。 与AI相关的监管主题包括从非银行监管到金融稳定,运营弹性和网络安全再到消费者保护的所有内容(KPMG,2019)。 监管机构和业界仍在寻找针对AI的最佳监管方法(毕马威,2019年)。

鉴于新技术监管的复杂性,组织正在寻求有关如何解释当前监管制度的其他指导(Jung等,2019)。

新加坡金融管理局(MAS)与众多公共和私营部门组织合作,开发了与金融服务决策相关的AI和数据分析使用原则。这些原则旨在:

  • 为金融公司提供一系列在使用AI进行决策时要考虑的基本原则
  • 协助公司将人工智能应用于商业模式和结构的治理环境化和运作化
  • 增强公众对使用AI和数据分析的信心和信任(新加坡金融管理局,2019年)

世界经济论坛关于人工智能的最新报告《在未知水域中航行》呼吁进一步的公私合作。该报告认为,释放人工智能的潜力将需要了解其对金融系统的风险。金融机构,监管机构和政策制定者应寻求在当前的金融生态系统中部署AI系统,并利用以负责任的AI为基础的金融生态系统的潜力(McWaters等,2019)。为此,监管机构必须考虑以下几点:

  • 人工智能系统的运行方式与过去的系统根本不同,从而带来了新的风险和监管挑战。
  • 鉴于这些差异,对AI的适当监管要求对新的治理模式保持开放。

充分了解由于AI应用而导致的业务模型、监管实践和人才需求如何变化,对于深入了解当前的金融服务生态系统至关重要。由CCAF和世界经济论坛进行的这项调查旨在增加有关AI及其对金融服务的影响的文献,并加深对其的共同理解。

1.2.1调查方法和样本统计

调查现场工作和方法

本报告基于2019年第一季度和第二季度进行的全球调查,并于2019年6月分发给参与者。通过基于网络的调查问卷进行了四个月的调查,其中包含55个问题,其中9个是必答问题。主要调查对象是金融服务公司中许多金融服务部门的相关高级管理人员,包括存款和贷款,支付,保险,投资管理,资本市场以及市场基础设施和专业服务提供商。考虑到问卷的范围,特别鼓励组织内多个受访者的集体贡献。

除非另有说明,否则本研究中突出显示的所有数据和估计均基于此全球调查。

调查数据样本

总体而言,调查现场工作获得了来自33个司法管辖区的机构的151份完整答复。根据六个主要行业对受访者进行了分类,其中包括:

  • 存款和放款
  • 投资管理
  • 付款方式
  • 市场基础设施和专业服务
  • 资本市场
  • 保险

从地理上看,中国,美国和英国是调查样本中排名前三的司法管辖区,分别有17%,15%和14%的受访者。总部位于欧洲的金融服务公司占所有调查条目的36%,与亚太地区相同,其次是北美(19%),中东和非洲(7%)和拉丁美洲(2%)。

在全球范围内,所有受访者中,有40%的受访者主要活跃于存款和借贷,其次是市场基础设施和专业服务(25%),投资管理(15%),付款(12%)和保险和资本市场(分别为4%)。

图1.2:调查样本中的金融服务部门

该调查样本包括金融科技公司(即相对较新成立的技术驱动型金融服务提供商,这些提供商通常出现在传统金融服务行业之外)和现有金融服务机构(即主要提供传统产品和服务的金融公司)。这些分别约代表了样本的54%和46%。

该调查涵盖了估计年总收入在1.11万亿美元至2.39万亿美元之间的公司5。金融科技受访者的合并收入范围估计在890亿美元至2440亿美元之间,现有企业的总收入估计在1.02万亿美元至2.15万亿美元之间。

表1.1:捕获的年收入范围(美元)

图1.3:调查样本中按实体类型($)表示的收入细分

样本中的许多金融科技都属于中小企业类别。大约74%的被调查金融科技公司的年营业额在5,000万美元以下,而28%的被调查在职者每年营收可达100至500亿美元6。这些比例同样反映在员工人数上,调查样本中的大多数金融科技公司员工人数少于50。相反,现有金融服务机构在较高规模的劳动力规模中分布相对均匀。

有关术语的其他说明

在本研究中,为了区分处于AI实施最前沿的金融服务提供商和相对落后的金融服务提供商,使用了(AI)领导者和(AI)落后者术语。更具体地说,AI领导者被定义为整个组织中在创收,风险管理,流程再造和自动化,客户服务和客户获取方面具有高于平均水平的AI运用率的受访者。 这些组织倾向于说AI对他们的业务模型具有“高度”或“非常高”的重要性。

AI落后者的特征是,其公司在当前业务中采用AI的水平低于平均水平,并且表示AI对他们的商业模式的重要性“低”,“非常低”或“不”。 同时,出于本研究的目的,组织当前必须以某种方式实施或计划实施AI,这被定义为AI落后者。

根据此定义,23%的受访者被视为AI领导者,16%被视为AI落后者,61%介于两者之间。

第二章:金融服务业采用人工智能

人工智能正在短期内成为金融服务的主流。目前,在调查的所有受访者中,85%应用某些形式的AI,其中金融科技企业在采用AI方面略领先于现有金融服务机构。在调整规模后,金融科技企业还将其较高比例的研发投入用于AI。

在所有金融服务部门中,投资经理最为广泛地采用了人工智能,特别是在产生新收入的潜力方面。其次是支付提供商,这些支付提供商大多实施了AI以进行流程重新设计和自动化。

公司使用AI的最常见领域是风险管理,有56%的公司使用AI。其次是产生新的创收潜力,其中52%的公司使用AI。公司期望AI在后一个领域中得到最广泛的使用,其中95%的人期望在两年内利用AI功能来创造新的收入潜力。

AI最常见的特定用例是支持AI的数据分析(43%的公司采用),欺诈/异常检测和监视(42%)以及支持AI的客户沟通渠道(36%)。

金融科技企业越来越广泛地利用AI来创建新产品和服务,而老牌公司主要使用AI来增强现有产品和服务。通过出售支持AI的产品作为服务,更大份额的FinTechs正在寻求一种更加面向产品的方法来实现AI。相反,现有企业倾向于将更多的精力放在利用AI功能上,以促进现有产品组合中的流程创新。

AI大规模运用的趋势是,所有AI领导者中有一半已经在几个关键领域实现了AI,例如产生新的收入潜力,流程自动化,风险管理,客户服务和客户获取。 所有AI领导者都希望在两年内成为大规模运用者,从而巩固了以下假设:在金融服务中应用AI会产生巨大的规模经济。

大规模运用似乎需要专门的组织资源。 处于AI实施最前沿的公司经常运营专门部门来监督和实施AI,并在战略上涉及更广泛的业务功能。

2.1  人工智能运用的现状与发展

在整个样本中,所有受访者中有85%以某种方式实施了AI,而金融科技公司领先于现有金融服务机构的比例很小(分别为90%和80%)。

为了更好地理解整个金融服务的不同使用情况,本研究进一步按不同的应用程序域对AI运用者进行了区分:

  • 产生新的收入潜力
  • 风险管理
  • 流程再造和自动化
  • 客户服务
  • 客户获取

风险管理目前代表着领先的AI实施领域,其次是通过新产品和流程产生潜在的收入(图2.1)。但是,根据实施计划和当前的实施统计数据,人工智能将在两年内最广泛地用于创收。

图2.1:AI样本范围中主要业务领域统计

金融科技公司在所有调查的业务领域都是人工智能实施的领先者(图2.2)。 金融科技公司在使用AI来创造新的收入潜力方面领先于现有金融服务机构,相反,目前有更多的金融服务机构正在实施AI。 金融科技公司和金融服务机构在三个应用领域中使用AI的程度相似:通过新产品或流程(80%),客户服务项目(74%)和客户获取(69%)产生新的潜在收入。

图2.2:按实体类型划分的AI运用主要业务领域统计

它们在将AI用于流程重组和自动化(77%的金融科技公司和68%的现有金融服务机构)和风险管理(80%的金融科技公司和73%的现有金融服务机构)方面有所不同。 但是,随着更多成熟的金融服务公司目前正在实施或计划在短期内实施AI,这种AI的运用差距可能会缩小。

表2.1:金融服务行业AI运用的主要业务领域统计

来自不同金融服务部门的采用统计数据表明,尽管样本中的平均实施率是同质的,但在某些地区存在异常值。

最值得注意的是,投资经理似乎专门使用人工智能来创造新的收入潜力(61%),这是支付提供商中实施活动最少的领域(44%)。 同样,各部门之间使用AI进行流程再造和自动化以及客户获取的情况也大不相同。

从少数几家将人工智能作为其业务核心的最前沿的公司的独立视图中,可以看出一个明确的趋势:调查中包括的所有AI领导者都在朝着在两年内在所有五个领域大规模采用AI的方向迈进。如图2.3所示。AI领导者从主要使用AI降低成本转向利用其功能来产生新收入的明显转变进一步支持了这种总体趋势。 目前,有38%的AI领导者正在这一领域实施AI,这是当前采用工作中最活跃的领域。

图2.3:AI 领导者在主要业务领域中AI的采用统计

一方面,AI落后者似乎仍然与整个组织范围的采用相距甚远,特别是在将AI应用于客户服务和客户获取方面尤其落后(图2.4)。

考虑到AI Leaders与Laggards之间的总体采用差距,这可能意味着从简单的自动化用例逐步转向基于AI的价值主张的生命周期观点可能并不直接。

与重新设计或自动化复杂的流程相比,风险管理等领域似乎为AI提供了更多容易访问的(或确实具有普遍相关性)用例。

图2.4:AI落后企业在主要业务领域中AI的采用统计

组织内部大规模采用的趋势

一般而言,企业似乎正在朝着大规模采用的方向发展,大量的受访者都在努力在其组织内不同领域同时实施AI。 图2.5显示,所有受访者中有91%表示他们希望在短短两年内将AI应用于其三个或更多业务领域,而目前这一数字为42%。根据参与者的期望,在所有五个领域中具有AI应用程序的“真正”大规模采用者将在两年内翻两番,达到64%。

图2.5:AI实现域的数量

这种趋势可能与AI受益于规模这一事实有关。现有的基础架构(例如,数据管道,内部编程框架,计算资源)可以轻松地在组织内的不同用例之间共享。此外,较大的数据集往往会产生更丰富的见解,并且数据类型也可用于不同的用例。这在社交媒体案例中得到了展示,其中对用户的见解可用于信用分析,而对发布活动的见解可用于预测股票回报。

大规模采用还可能导致对建立技术基础架构和克服早期实施障碍的重大承诺。图2.6表明,目前将AI对其业务具有“高度”或“非常高”重要性的公司清楚地表明正在更广泛地采用AI,近四分之三的公司计划在所有五个领域中都使用AI。

图2.6:按AI当前对组织业务的重要性划分的AI实施域数量

事实证明,在两个业务组中都存在着跨多个业务功能采用AI的趋势。 目前,在人工智能对其开展业务的重要性较低的所有受访者中,有一半期望在两年内发展为大规模采用者。 但是,鉴于当前使用情况与预测的未来计划之间存在巨大差距,因此应谨慎对待这些数字。

总体而言,这些结果表明,人工智能代表了一组技术,这些技术为金融服务公司提供了如此基本的价值,以至于它们可以以许多不同的方式应用,并且不一定要求或奖励专业化。 因此,后续章节将详细介绍大规模使用AI的优势以及潜在的早期采用者优势。

2.2 AI的特定应用领域

利用AI通过新产品和流程产生新的收入潜力

如前所述,人工智能通过利用从数据中获取的可获利的洞察力,或通过将人工智能开发为其他组织的服务,为金融机构提供了许多建立新价值主张的机会,这将在第3章中进一步探讨。

图2.7:按当前采用率产生新收入的前三个AI用例

利用AI创造新的创收潜力的用例主要围绕启用AI的数据分析,以及利用替代数据生成新颖的见解(图2.7)。 实际上,这些应用程序似乎是调查样本中每个主要金融服务部门中应用最广泛的应用程序之一。

支持AI的数据分析包含多种功能,可用于发现数据见解并将其与业务决策相关联。 例如,万事达卡使用近实时购买数据和支持AI的分析功能,每周针对各种行业和地理区域生成有关宏观经济趋势的自动化报告(McWaters等,2018)。

以下列出了支持AI的分析的不同子类别和相关使用比例。 在所有使用AI启用数据分析的组织中,销售分析代表使用最广泛的子类别,其次是信用分析。

表2.2:支持AI的数据分析的采用统计

*显示的比例是相对于使用任何形式的支持AI数据分析的公司的数量

上图中未显示的进一步调查结果表明,现有公司和金融科技公司均主要在数据分析中利用人工智能,并从新的/替代数据集中产生见解。 该领域在投资管理中特别活跃,资产经理试图产生信息优势以预测市场事件和/或发展。

例如,总部位于伦敦的对冲基金Man Group在其投资流程中使用人工智能和替代数据来支持其基金的alpha生成方面一直是先驱(Stier,Ehrsam,Gaughan和Newsome,2019年)。

人工智能风险管理

图2.8:按当前采用率划分的风险管理中的前三个AI用例

总体而言,风险管理代表了大多数实体当前使用AI的领域。 这可能不仅是由于风险管理作为一种必要的业务功能的普遍性,而且还归因于相关AI解决方案的商品化(Sweezey,2019)。 从监管合规到进行风险管理或欺诈检测,人工智能可以降低经济成本和人为干预细微活动的干预,从而使风险管理流程更快,更高效(Arslanian和Fischer,2019年)。

AI引发的风险与AI启用的风险管理之间的二分法可能会随着组织内部AI的应用规模而变得越来越重要,将在第6章进一步探讨。

最普遍的用例是欺诈/异常检测和监视,在风险管理中,有75%的AI采用者使用了它(图2.8)。 人工智能在欺诈检测和监控中的有效性可能归因于交易的数量和频率的巨大,以及跨多个实体,辖区和行业部门的网络中欺诈模式的多维性/粒度性(万事达卡,2018年) 。 FICO的Falcon平台等真实示例说明了这一点,该平台使用AI驱动的预测分析为机构提供欺诈检测服务(McWaters等,2018)。

自动化和流程再造

图2.9:按当前采用率计算,自动化和流程再造中的前三个AI用例

支持AI的自动化还远远没有普及,并且确实代表了众多实体(尤其是那些在AI采纳方面落后的实体)的初步实现目标。当前在自动化和流程重组中采用AI的人在很大程度上利用其功能来自动化和合并管理任务,自动化报告,或者在较小的程度上自动化合规性(图2.9)。

自动化合规性可能比自动化报告更难实施,因为在评估个别案件或诉讼的合规性时需要更大程度的人工判断。另一方面,自动报告通常只是指从各种数据源自动压缩信息并创建可视化表示。该领域中更复杂,新生的用例包括自然语言生成(NLG),该语言使用AI功能来撰写几乎没有人工输入的全文报告(Financial Reporting Lab,2019)。来自AI领导者的证据证实了这一假设,在所有领导者中,有55%的人利用AI来实现合规性的自动化,而AI落后者中只有33%。

在这项研究对AI的理解的背景下,自动化和管理任务的合并包括机器人过程自动化(RPA)的选定方面。这些任务包括通常来自后台活动的任务,例如数据输入,数据工程和通信,这些任务需要超越基于规则的静态算法。例如,Google的智能回复会自动为短电子邮件撰写适当的回复(Kanna等,2016)。当前的趋势表明,随着工具能够自动生成代码的能力,自动化可能会扩散到更高的水平(Nye等人,2019)。

人工智能在获取客户方面有多种用途,包括使推广更加个性化,加快注册程序(例如,通过使用计算机视觉来自动处理身份证明文件)以及基于人工智能从当前的见解中进行向上或交叉销售用户数据。与前面提到的其他内容相比,这最初看起来像是一个狭窄的实现区域。但这是AI领导者采用率第二高的用例(占68%),这表明该领域尽管具有挑战性,但对金融服务机构具有重要价值。人工智能使金融公司能够超越传统的成本个性化权衡。从理论上讲允许以零边际成本提供完全个性化的金融产品,有利于客户的获取和保留,这在高度复杂的竞争环境中至关重要(Arslanian和Fischer,2019)。

利用AI的实现客户触达

图2.10:按当前采用率排名的前三大AI用例

如图2.10所示,大多数受访者已经实现了AI以扩大现有客户对产品和服务的使用。反过来,这在很大程度上归功于AI支持的整合,例如,通过利用共享数据集(例如客户的风险偏好或交流偏好)的平台提供服务。另一方面,数字开户解决方案(如支付宝的“微笑到付款”(Smile to Pay)使用面部识别作为身份验证和同意的方法)的普及率较低,仅为50%。在客户获取的所有落后于AI的采用者中,只有9%的人在数字开户解决方案中使用AI,而AI 领导者的采用率为65%。

支持AI的客户服务

图2.11:按当前采用率划分的AI支持的客户服务的前三个AI用例

调查结果证实了以下事实:

客户服务仍然是可以最有效地利用AI的领域之一(Brett,Laurent,Gianturco和Durao,2017年)。如图2.11所示,该领域最常用的解决方案是具有AI功能的客户沟通渠道(被73%采用),其次是具有AI功能的实时服务调整,可根据客户需求进行调整,并以较低实施率进行个性化的风险分析(分别为32%和21%)。

启用AI的通信渠道无处不在可能归因于聊天机器人的激增,以及构建更智能的解决方案,使其更接近于复制真实的人机交互。例如,瑞银集团(UBS)与其合作伙伴发起了一个试点项目,该项目允许财富管理客户向公司首席投资官的虚拟头像提出问题。

从本章开始可以看出,客户服务是AI领导者当前AI使用最活跃的领域。它大大超过了通过新产品和流程进行生产和收入等用途。同时,对于AI落后者而言,它似乎没有那么重要,这也许是因为在客户服务中使用AI可能是生命周期的后期实施领域,比继续基于AI建立新的创收价值主张更容易扩大规模。

刚进入AI应用领域的公司可能最初会被吸引到创收更为商品化的部分,并且可能在最大化其可实现的创收用例后,才可能开始在客户服务和客户获取等领域实施支持AI的解决方案。

2.3人工智能增强的产品和流程创新方法

根据调查反馈,金融科技公司更广泛地使用AI来创建新产品和服务,而老牌公司则主要利用AI来增强现有产品和服务。

图2.12:按实体类型划分的AI的主要利用率

这种差距可能归因于组织复杂性和成熟度方面的重大差异。 先前的研究表明,现有企业受到遗留人才(Mittal,Kuder和Hans,2019),零碎和非结构化数据以及遗留IT基础架构的限制,在AI实验和实施过程中受到限制。 另一方面,数字原生,数据驱动和敏捷金融科技公司可以以更具成本效益的方式在其组织内快速部署AI。

由于这些明显不同的人工智能创新方法的结果,金融科技公司和现有金融服务公司在组织层面上管理人工智能的方向不同(图2.13)。

除了纯粹以IT为中心的AI策略之外,许多公司在其业务中部署和监督AI时还保留了专用资源,例如分析或创新部门。 相反,一般的金融科技公司不会将资源集中在负责AI实施的专业部门中。

图2.13:负责AI实施和监督的部门按实体类型划分

但是,调查结果显示,大多数人工智能领导者,包括金融科技公司和现有金融服务机构,都拥有专门的数据分析部门(74%)(图2.14)。这种方法对于运行敏捷,实验性和适应性强的组织可能是必要的,从而大规模实现AI(Fountaine,McCarthy和Saleh,2019)。

它还表明,可能会激励金融服务提供商发展内部研究能力,从将人工智能视为增加利润的工具转变为建立和培养长期内部能力。

图2.14:按AI的成熟度负责AI实施和监督的部门

2.4 人工智能投资

目前,在大多数公司中,用于AI的支出占研发总支出比例不高。只有40%的调查对象显示在投资AI超过总研发资源的10%(图2.15)。

图2.15:用于AI的研发支出

遵循本章前面强调的雄心勃勃的采用计划之后,大多数金融公司期望在短期内增加其AI支出。 对于那些已经将超过20%的研发投入在AI上的公司来说,这种趋势尤其如此,因为大约一半以上的公司期望在未来两年内显着增加投资(图2.16)。

图2.16:计划在两年内按当前R&D支出类别在短期内大幅增加AI R&D支出的计划

如果企业如调查所示实现其支出抱负,那么随着低支出者与高支出者之间的差距扩大,人工智能在金融服务行业中的应用范围将变得越来越多样化。 此前,世界经济论坛于2018年对这一趋势进行了调查,得出结论认为,人工智能部署的先行者将能“巩固自己的领导地位”。

确实,图2.17显示,在AI投资和所产生的收益之间似乎存在着几乎恒定的正向关系。 尽管人们可能会期望收益递减,但实际上可以观察到,随着研发支出的增加,回报似乎会加速,尤其是在10%和30%之间以及30%和> 40%之间。

图2.17:报告的由人工智能当前的R&D支出引起的“显著”的人工智能诱导的利润增长的百分比

该图还确定了AI研发投入的“临界数量”,为10%%(虚线),此后,相关收益不断增加。

尽管没有足够的证据普遍宣布人工智能投资与盈利能力增长之间呈指数增长关系,但这种关系并未减少这一事实可能归因于两个关键因素:

  • 因果响应:与大支出者和小支出者分叉增长的发现相吻合,观察到的获利能力的提高可能导致支出增加的即时响应。
  • 围绕AI建立的公司的规模效应,因此将大部分研发预算用于AI。这可能包括技术基础架构,技术和应用程序以及数据的规模。

这种关系凸显了AI霸主地位的争夺可能是由高支出者与低支出者决定的,而不是由在位者与颠覆者决定。概括而言,高支出者正计划进一步增加在AI方面的支出,因为这似乎直接影响到获利能力。

(未完待续)

[Source]

本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。

本文版权归原作者所有,如有侵权,请联系删除。首图来自图虫创意。

评论


猜你喜欢

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。